語(yǔ)音識(shí)別技術(shù)課件

語(yǔ)音識(shí)別技術(shù)

語(yǔ)音識(shí)別技術(shù)1目錄123語(yǔ)音識(shí)別過(guò)程

概述總結(jié)及展望語(yǔ)音識(shí)別技術(shù)目錄123語(yǔ)音識(shí)別過(guò)程概述總結(jié)及展望語(yǔ)音識(shí)別2語(yǔ)音識(shí)別技術(shù)1概述各種終端設(shè)備的智能化和集成化程度越來(lái)越高，傳統(tǒng)的信息檢索和菜單操作方式已經(jīng)越來(lái)越無(wú)法滿(mǎn)足要求。迫切需要有一種更加便捷的信息檢索和命令操作方式來(lái)替代傳統(tǒng)的按鍵操作。為什么需要語(yǔ)音識(shí)別技術(shù)？語(yǔ)音識(shí)別技術(shù)1概述各種終端設(shè)備的智能化和集成化程度越來(lái)越高，3語(yǔ)音識(shí)別技術(shù)1概述語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過(guò)識(shí)別和理解過(guò)程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)，也就是讓機(jī)器聽(tīng)懂人類(lèi)的語(yǔ)音。也被稱(chēng)為自動(dòng)語(yǔ)音識(shí)別AutomaticSpeechRecognition，(ASR)，其目標(biāo)是將人類(lèi)的語(yǔ)音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列。什么是語(yǔ)音識(shí)別技術(shù)？語(yǔ)音識(shí)別技術(shù)1概述語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過(guò)識(shí)別和理解過(guò)程把4語(yǔ)音識(shí)別技術(shù)1概述1.語(yǔ)音輸入系統(tǒng)，相對(duì)于鍵盤(pán)輸入方法，它更符合人的日常習(xí)慣，也更自然、更高效；語(yǔ)音識(shí)別技術(shù)應(yīng)用在哪些領(lǐng)域呢？2.語(yǔ)音控制系統(tǒng)，即用語(yǔ)音來(lái)控制設(shè)備的運(yùn)行，相對(duì)于手動(dòng)控制來(lái)說(shuō)更加快捷、方便，可以用在諸如工業(yè)控制、語(yǔ)音撥號(hào)系統(tǒng)、智能家電、聲控智能玩具等許多領(lǐng)域；3.智能對(duì)話(huà)查詢(xún)系統(tǒng)，根據(jù)客戶(hù)的語(yǔ)音進(jìn)行操作，為用戶(hù)提供自然、友好的數(shù)據(jù)庫(kù)檢索服務(wù)，例如家庭服務(wù)、賓館服務(wù)、旅行社服務(wù)系統(tǒng)、訂票系統(tǒng)、醫(yī)療服務(wù)、銀行服務(wù)、股票查詢(xún)服務(wù)等等。語(yǔ)音識(shí)別技術(shù)1概述1.語(yǔ)音輸入系統(tǒng)，相對(duì)于鍵盤(pán)輸入方法，它更5語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程（傳統(tǒng)的基于HMM的語(yǔ)音識(shí)別）1.在開(kāi)始語(yǔ)音識(shí)別之前，通常需要把首尾端的靜音切除，降低對(duì)后續(xù)步驟造成的干擾。這個(gè)靜音切除的操作一般稱(chēng)為VAD。2.分幀，也就是把聲音切開(kāi)成一小段一小段，每小段稱(chēng)為一幀。語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程（傳統(tǒng)的基于HMM的語(yǔ)音識(shí)別）1.6語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程3.波形變換。常用的一種方法是提取MFCC特征，通過(guò)12維的向量來(lái)描述一幀的波形，12維向量是根據(jù)耳朵的生理特征提取的，這一過(guò)程稱(chēng)為聲學(xué)特征提取。聲音就被轉(zhuǎn)換成了12行N列的矩陣（觀察序列）語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程3.波形變換。常用的一種方法是提取7語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程4.矩陣變成文本。a.把幀識(shí)別成狀態(tài)。b.把狀態(tài)組合成音素。c.把音素組合成單詞。（單詞、音素、狀態(tài)）語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程4.矩陣變成文本。a.把幀8語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程問(wèn)題1：那每幀音素對(duì)應(yīng)哪個(gè)狀態(tài)呢？答：看某幀對(duì)應(yīng)哪個(gè)狀態(tài)的概率最大，那這幀就屬于哪個(gè)狀態(tài)。問(wèn)題2：那這些用到的概率從哪里讀取呢？答：聲學(xué)模型，里面存了一大堆參數(shù)，通過(guò)這些參數(shù)，就可以知道幀和狀態(tài)對(duì)應(yīng)的概率。獲取這一大堆參數(shù)的方法叫做“訓(xùn)練”。語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程問(wèn)題1：那每幀音素對(duì)應(yīng)哪個(gè)狀態(tài)呢？9語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程問(wèn)題3：假設(shè)語(yǔ)音有1000幀，每幀對(duì)應(yīng)1個(gè)狀態(tài)，每3個(gè)狀態(tài)組合成一個(gè)音素，那么大概會(huì)組合成300個(gè)音素，但這段語(yǔ)音其實(shí)根本沒(méi)有這么多音素。如果真這么做，得到的狀態(tài)號(hào)可能根本無(wú)法組合成音素。答：利用隱馬爾可夫模型來(lái)解決。隱馬爾可夫模型（HiddenMarkovModel，HMM）。第一步，構(gòu)建一個(gè)狀態(tài)網(wǎng)絡(luò)。第二步，從狀態(tài)網(wǎng)絡(luò)中尋找與聲音最匹配的路徑。這樣就把結(jié)果限制在預(yù)先設(shè)定的網(wǎng)絡(luò)中（有利有弊）。那如果想識(shí)別任意文本呢？把這個(gè)網(wǎng)絡(luò)搭得足夠大，包含任意文本的路徑就可以了。但這個(gè)網(wǎng)絡(luò)越大，想要達(dá)到比較好的識(shí)別準(zhǔn)確率就越難。所以要根據(jù)實(shí)際任務(wù)的需求，合理選擇網(wǎng)絡(luò)大小和結(jié)構(gòu)。語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程問(wèn)題3：假設(shè)語(yǔ)音有1000幀，每幀10語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程5.解碼。搭建狀態(tài)網(wǎng)絡(luò)，是由單詞級(jí)網(wǎng)絡(luò)展開(kāi)成音素網(wǎng)絡(luò)，再展開(kāi)成狀態(tài)網(wǎng)絡(luò)。語(yǔ)音識(shí)別過(guò)程其實(shí)就是在狀態(tài)網(wǎng)絡(luò)中搜索一條最佳路徑，語(yǔ)音對(duì)應(yīng)這條路徑的概率最大。路徑搜索的算法是一種動(dòng)態(tài)規(guī)劃剪枝的算法，稱(chēng)之為Viterbi算法，用于尋找全局最優(yōu)路徑。觀察概率和轉(zhuǎn)移概率（聲學(xué)模型）、語(yǔ)言概率（語(yǔ)言模型）語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程5.解碼。搭建狀態(tài)網(wǎng)絡(luò)，是由單詞級(jí)11語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程總結(jié)語(yǔ)音識(shí)別技術(shù)2語(yǔ)音識(shí)別過(guò)程總結(jié)123總結(jié)及展望21世紀(jì)，信息和網(wǎng)絡(luò)飛速發(fā)展，信息和網(wǎng)絡(luò)的時(shí)代已經(jīng)來(lái)臨，人與人之間的距離隨著Internet和移動(dòng)電話(huà)網(wǎng)的連接和普及變得越來(lái)越近，信息資源擴(kuò)散的越來(lái)越迅速，人與機(jī)器的交互顯得尤為重要。語(yǔ)音識(shí)別技術(shù)的研究和應(yīng)用可以讓人無(wú)論何時(shí)何地都可以通過(guò)語(yǔ)音交互的方式實(shí)現(xiàn)任何事，可以使人更方便的享受更多的社會(huì)信息資源